CN104346926B - 行驶时间预测方法和装置、以及相关终端设备 - Google Patents
行驶时间预测方法和装置、以及相关终端设备 Download PDFInfo
- Publication number
- CN104346926B CN104346926B CN201310326841.7A CN201310326841A CN104346926B CN 104346926 B CN104346926 B CN 104346926B CN 201310326841 A CN201310326841 A CN 201310326841A CN 104346926 B CN104346926 B CN 104346926B
- Authority
- CN
- China
- Prior art keywords
- time
- traffic behavior
- traffic
- specific distance
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Abstract
本发明公开了一种行驶时间预测方法和装置、以及相关终端设备。本发明的行驶时间预测方法包括:根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态;建立受交通状态影响的时变动态线性模型,其中用时变参数反映交通流量的动态性质,用自调整调节因子反映交通流量的随机性质;根据估计出的交通状态调整所述时变动态线性模型中的时变参数,从而预测出所述下一时间段特定路程的行驶时间。根据本发明的一个方面的行驶时间预测方法和装置能够根据当前交通流的动态和随机状况灵活地估计出当前时间的下一时间段特定路程的行驶时间。
Description
技术领域
本发明涉及交通流量控制,更具体地,涉及一种行驶时间预测方法和装置、以及相关终端设备。
背景技术
由于交通网络中越来越大的交通流量需求,交通流量控制成为现代社会交通管理的一个重要部分。
因此,一种叫做短时行驶时间预测的技术正变得越来越重要。它一般是每隔一段时间(一般不超过30分钟),预测在当前时间的下一时间段特定路程的行驶时间。它可以用在以下两种典型的场景中:第一,它可以用在路线向导系统中,帮助乘客选择一条到达目的地耗时最短的路线;第二,它可以用在交通局的交通状况监控系统中,帮助交通局监控交通状况,以采取合适的疏导措施。
现有的短时行驶时间预测技术主要可以分为两类,其中一类采用时序方法,另一类采用智能方法。
时序方法的一个例子是ARIMA模型。ARIMA模型对不同的时间段(例如早高峰时间段和晚高峰时间段)采用不同的行驶时间预测模型。它保存当前时间之前若干时间段的特定路程的行驶时间作为历史数据,总结历史数据的趋势,得到当前时间的下一时间段的特定路程的行驶时间。公式表示为
Xt=a1Xt-1+a2Xt-2+……+apXt-p+et+c1et-1+……+cqet-q
其中Xt表示当前时间的下一时间段的特定路程的行驶时间,Xt-1表示当前时间的前一时间段的特定路程的行驶时间,……,Xt-p表示当前时间的前p时间段的特定路程的行驶时间;a1,a2……ap分别表示对于当前时间的前1至p时间段的固定常系数;et表示估计Xt的误差,et-1表示估计Xt-1的误差,……,et-q表示估计Xt-q的误差;c1,c2……cq表示对应于et-1,et-2……et-q的固定常系数。
例如,每5分钟预测一次当前时间的下一时间段的特定路程的行驶时间,当前时间是上午9:00。9:00-9:05之间从点A行驶到点B的行驶时间是12分钟,此时Xt=12分钟。假设p=4,Xt-1、Xt-2、Xt-3、Xt-4分别表示8:55-9:00、8:50-8:55、8:45-8:50、8:40-8:45从从点A行驶到点B的行驶时间。根据这些历史记录,就能预测出Xt的值。
ARIMA模型例如对于在早7:00-9:00的早高峰采用一套a1,a2……ap和c1,c2……cq系数,对于在晚17:00-19:00的晚高峰采用一套a1,a2……ap和c1,c2……cq系数,对于普通时段采用一套a1,a2……ap和c1,c2……cq系数。但实际上,尤其在大城市,交通峰值时间段是随机的。交通峰值可能出现在任何地方、任何时间。早/晚高峰的模型是脱离现实的,它不能进行自适应的调整。这种预测是粗粒度的。它不能对同一时间段的交通流的动态和随机性质建模,不能反映交通流的动态和随机性质。
智能方法的一个例子是人工智能网络模型(ANN)。人工智能网络模型具有自学习能力。它学习以前出现的交通流。当以前出现过一个各种交通流参数与现在的交通流参数可类比的情况的时候,它就按照以前出现的情况估计出当前时间的下一时间段特定路程的行驶时间。它的缺点是对于以前没有出现过类型情况的交通流无能为力。它不能根据当前交通流的动态和随机状况灵活地估计出当前时间的下一时间段特定路程的行驶时间。
发明内容
本发明解决的一个问题是提供一种行驶时间预测方法和装置,它能根据当前交通流的动态和随机状况灵活地估计出当前时间的下一时间段特定路程的行驶时间。
根据本发明的一个方面,提供了一种行驶时间预测方法,包括:根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态;建立受交通状态影响的时变动态线性模型,其中用时变参数反映交通流量的动态性质,用自调整调节因子反映交通流量的随机性质;根据估计出的交通状态调整所述时变动态线性模型中的时变参数,从而预测出所述下一时间段特定路程的行驶时间。
根据本发明的另一个方面,提供了一种行驶时间预测装置,包括:交通状态估计器,被配置为根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态;时变动态线性模型建立器,被配置为建立受交通状态影响的时变动态线性模型,其中用时变参数反映交通流量的动态性质,用自调整调节因子反映交通流量的随机性质;行驶时间预测器,被配置为根据估计出的交通状态调整所述时变动态线性模型中的时变参数,从而预测出所述下一时间段特定路程的行驶时间。
根据本发明的另一个方面,提供了一种路线向导系统,包括如上所述的行驶时间预测装置。
根据本发明的另一个方面,提供了一种交通状况监控系统,包括如上所述的行驶时间预测装置。
根据本发明的一个方面的行驶时间预测方法和装置能够根据当前交通流的动态和随机状况灵活地估计出当前时间的下一时间段特定路程的行驶时间。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
图2示出了根据本发明的一个实施例的行驶时间预测方法的流程图。
图3示出了图2的步骤S3中根据估计出的交通状态调整所述时变线性模型中的时变参数,从而预测出当前时间的下一时间段特定路程的行驶时间的详细过程。
图4示出了根据本发明的一个实施例的行驶时间预测装置的框图。
图5示出了根据本发明的一个实施例的路线向导系统的框图。
图6示出了根据本发明的一个实施例的交通状况监控系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其它可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图1显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示,通常称为“硬盘驱动器”)。尽管图1中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
下面先简述本发明的原理。
现有技术的时序方法中的公式Xt=a1Xt-1+a2Xt-2+……+apXt-p+et+c1et-1+……+cqet-q的一个缺陷在于它的系数a1、a2、……、ap、c1、……、cq等都是固定的,因而不能反映当前交通流的动态和随机状况。因此,本发明使这些系数都是时变的,因此反映出当前交通流的可预测的扰动,并为不可预测的扰动增加若干可调整调节因子项,以反映当前交通流的不可预测的扰动。这样,就可以将行驶时间预测看成反映交通流波动的动态和随机性质的时变随机过程,引入贝叶斯预测模型进行精确和实时的求解。
本发明修改后的求解当前时间的下一时间段特定路程的行驶时间的公式为Xt=a1(t)Xt-1+a2(t)Xt-2+……+ap(t)Xt-p+et+c1(t)et-1+……+cq(t)et-q+b1(t)ut-1+……+b1(t)ut-1,其中ut-1、……、ut-1分别表示第1至1个可调整调节因子,b1(t)、……、b1(t)分别表示它们的时变系数。可见,该公式与现有技术的公式的区别在于:首先,系数a1、a2、……、ap、c1、……、cq等变成时变系数;另外,增加了与可调整调节因子相关的项b1(t)ut-1+……+b1(t)ut-1。
另外,本发明人发现,特定路程的行驶时间的波动与交通状态发生跃迁有很大关系。在交通状态发生跃迁的时候(例如交通状态从自由流跃迁到拥塞),特定路程的行驶时间的波动很大;一旦进入某个稳定状态(例如拥塞状态),特定路程的行驶时间的波动很小并遵守某些规则。
交通状态例如可以定义为三种:自由流状态、中间状态、拥塞状态。拥塞状态意味着在时间段内在特定路程上车辆拥塞行驶缓慢,自由流状态意味着在时间段内在特定路程上车辆畅通无阻地行驶,中间状态意味着未发生拥塞、但有时需要等待前面的车辆行驶的未达到畅通无阻的状态。当然,也可以有其它的定义方式。
因此,本发明可以利用交通状态的变化反映交通流的波动,以触发时变随机预测模型的调整。例如,当交通状态从一种状态跃迁到另一种状态时,可以触发时变系数a1(t)、a2(t)、……、ap(t)、b1(t)、……、b1(t)、c1(t)、……、cq(t)等的一次变化。
图2示出了根据本发明的一个实施例的行驶时间预测方法的流程图。图2的行驶时间预测方法包括:在步骤S1,根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态;在步骤S2,建立受交通状态影响的时变动态线性模型,其中用时变参数反映交通流量的动态性质,用自调整调节因子反映交通流量的随机性质;在步骤S3,根据估计出的交通状态调整所述时变动态线性模型中的时变参数,从而预测出所述下一时间段特定路程的行驶时间。
根据一个实施例,在步骤S1中,按照如下过程根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态。
车辆在行驶时的扰动可分为两种:可测量扰动和不可测量扰动。可测量扰动例如下雨等,不可测量扰动例如驾驶员的心情等。统计上发现,可测量扰动与交通状态之间发生跃迁的概率有很大关系。例如,下小雨时,从自由流状态跃迁为中间状态的概率是60%,跃迁到拥塞状态的概率是30%,状态不变的概率是10%。因此,可以作出下小雨时的交通状态跃迁矩阵为:
上面矩阵的行表示起始交通状态,列表示结果交通状态。例如,第二行表示在下小雨时,从中间状态跃迁到拥塞状态的概率是70%,保持不变的概率是28%,跃迁到自由流状态的概率只有2%。
类似地,可以按照统计学计算出下中雨、下大雨、不大雨时的交通状态跃迁概率矩阵。
当需要根据实时数据估计当前时间的下一时间段特定路程的交通状态时,测量当前的可测量扰动状态(例如是不下雨、下小雨、下中雨还是下大雨),并根据当前的可测量扰动状态(例如是不下雨、下小雨、下中雨还是下大雨),计算与该当前的可测量扰动状态对应的交通状态跃迁概率矩阵,该交通状态跃迁概率矩阵记录着在该当前的可测量扰动状态下从任一交通状态跃迁到任一交通状态的概率。实际上,与该当前的可测量扰动状态对应的交通状态跃迁概率矩阵往往是事先计算出的,其计算方法如前文所述,是现有技术。当测量出当前的可测量扰动状态后,只需查找相应的交通状态跃迁概率矩阵。
最后,根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵估计下一时间段特定路程的交通状态。
在一个实施例中,根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵估计当前时间的下一时间段特定路程的交通状态包括如下的过程。
首先,根据当前时间前一时间段特定路程的交通状态和与当前的可测量扰动状态对应的交通状态跃迁概率矩阵计算所述下一时间段特定路程的交通处于不同交通状态的概率。例如,当前时间是上午9:00,下小雨。由于上面的下小雨时的交通状态跃迁矩阵中有从自由流、中间、拥塞三种状态分别跃迁到自由流、中间、拥塞三种状态的概率,并且在知道当前时间前一时间段特定路程的交通状态的情况下,根据概率学很容易得出下一时间段A点到B点的路程上处于自由流、中间、拥塞的概率。如何根据当前时间前一时间段特定路程的交通状态和交通状态跃迁矩阵进行求解的方法见概率统计学。上述不同交通状态可以是穷举的(例如对所有的交通状态进行概率计算),也可以是非穷举的(例如处于某些交通状态的概率是显然的,无需计算)。然后,如果在计算出的所述不同交通状态的概率中与当前时间段的交通状态相同的交通状态的概率大于特定阈值,则认为所述下一时间段特定路程的交通状态与当前时间段的交通状态相同;否则,选择计算出的所述不同交通状态的概率中概率最大的交通状态作为所述下一时间段特定路程的交通状态。
例如,当前A点到B点的路程上处于自由流状态,当前时间的下一时间段A点到B点的路程上处于自由流、中间、拥塞的概率分别计算出为10%、60%、30%,特定阈值例如是50%,显然所述下一时间段A点到B点的路程上处于自由流状态的概率10%低于50%。此时,选择10%、60%、30%中最大的概率60%所对应的交通状态(即中间状态)作为上午9:00-9:05从A点到B点的路程的交通状态。
根据一个实施例,在步骤S2中,按照如下过程建立受交通状态影响的时变动态线性模型。
在上文中已经说明,本发明修改后的求解当前时间的下一时间段特定路程的行驶时间的公式为Xt=a1(t)Xt-1+a2(t)Xt-2+……+ap(t)Xt-p+et+c1(t)et-1+……+cq(t)et-q+b1(t)ut-1+……+b1(t)ut-1,其可以表示成如下两个向量运算式:
其中,θt-1=(Xt-1,…,Xt-p,ut-1,…,ut-l,et-1,…,et-q)′
上述两个向量运算式与Xt=a1(t)Xt-1+a2(t)Xt-2+……+ap(t)Xt-p+et+c1(t)et-1+……+cq(t)et-q+b1(t)ut-1+……+b1(t)ut-1是等价的。本领域技术人员可以运用线性代数的法则进行推导。推导过程从略。
Gs(t)是时变参数矩阵向量,又叫作状态转移函数。它的第一行反映了Xt=a1(t)Xt-1+a2(t)Xt-2+……+ap(t)Xt-p+et+c1(t)et-1+……+cq(t)et-q+b1(t)ut-1+……+b1(t)ut-1中的所有时变系数a1(t)、a2(t)、……、ap(t)、b1(t)、……、b1(t)、c1(t)、……、cq(t)。θt是实体项向量,又叫做作为系统状态参数向量。它反映了当前时间前的若干时间段特定路程的行驶时间Xt-1、Xt-2、……、Xt-p、当前时间前的若干时间段行驶时间估计误差et-1、……、et-q、以及自调整调节因子ut-1、……、ut-1。因此,当前时间的下一时间段特定路程的行驶时间被表示为时变参数矩阵向量Gs(t)和实体项向量θt的函数。表示成这样的函数后,就可以利用公知的贝叶斯预测模型来预测当前时间的下一时间段特定路程的行驶时间。
图3示出了在步骤S3中根据估计出的交通状态调整所述时变线性模型中的时变参数,从而利用已有的贝叶斯预测模型预测出当前时间的下一时间段特定路程的行驶时间的详细过程。图3中除了步骤S301、S302、S305中分别多了“估计初始的交通状态”、“估计的交通状态”、“推断交通状态”的步骤,其余的就是一个标准的贝叶斯预测模型。
首先,在步骤S301中,进行初始化。由于当前时间的下一时间段特定路程的行驶时间Xt被表示为时变参数矩阵向量Gs(t)和实体项向量θt的函数,因此初始化时需要指定G0(t)和θ0。G0(t)是根据初始的交通状态确定的。Touijer,N.and S.Kamoun.Robust Self-tuning Regulator of Time-varying Linear Systems with Bounded ExternalDisturbances.International Journal of Computer Applications,Vol.41,2012中给出了一种根据交通状态确定Gs(t)的已知技术。初始的交通状态可以根据实际情况指定。对于θ0,可以估计θ0|D0服从均值为μ0、方差为v0的正态分布。θt|Dt的含义是在已知Xt、Xt-1、Xt-2、……、X0情况下的θt。相应地,θ0|D0的含义是在已知X0情况下的θ0。
然后,S302至S305构成一个循环,其表示一旦如S302所示知道θt-1的分布和Gs(t-1),就能利用贝叶斯预测模型得出θt的分布和Gs(t),如S305所示,以此类推。
具体地,在S303,根据
在已知θt-1|Dt-1的分布的情况下很容易求出θt|Dt-1的分布。
然后,在S304,根据以上公式在已求出θt|Dt-1的分布的情况下很容易预测时间t的下一时间段特定路程行驶时间Xt|Dt-1的概率分布。
当该下一时间段过去后,会产生该下一时间段特定路程行驶时间的实际观察值。当实际观察值产生后,将其插入模型,修正θt|Dt-1的分布,就产生了预测的θt|Dt的分布,如S305所示,具体产生过程是贝叶斯预测模型中的已有技术。在S305中,还根据时间t时在步骤S1中估计出的该下一时间段特定路程的交通状态,调整时变参数矩阵向量Gs(t)。具体调整方法见Touijer,N.and S.Kamoun.Robust Self-tuning Regulator of Time-varyingLinear Systems with Bounded External Disturbances.International Journal ofComputer Applications,Vol.41,2012,其是已知方法。
然后,将S305中产生的θt|Dt的分布和Gs(t)送回S302中,供计算时间t+1时下一时间段特定路程行驶时间使用。
图4示出了根据本发明的一个实施例的行驶时间预测装置的框图。行驶时间预测装置40包括:交通状态估计器401,被配置为根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态;时变动态线性模型建立器402,被配置为建立受交通状态影响的时变动态线性模型,其中用时变参数反映交通流量的动态性质,用自调整调节因子反映交通流量的随机性质;行驶时间预测器403,被配置为根据估计出的交通状态调整所述时变动态线性模型中的时变参数,从而预测出该下一时间段特定路程的行驶时间。
交通状态估计器401包括:可测量扰动状态测量器404,被配置为测量当前的可测量扰动状态;交通状态跃迁概率矩阵计算器405,被配置为根据当前的可测量扰动状态,计算与该当前的可测量扰动状态对应的交通状态跃迁概率矩阵,该交通状态跃迁概率矩阵记录着在该当前的可测量扰动状态下从任一交通状态跃迁到任一交通状态的概率;交通状态估计单元406,被配置为根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵估计当前时间的下一时间段特定路程的交通状态。具体地,交通状态估计单元406被配置为:根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵计算该下一时间段特定路程的交通处于不同交通状态的概率;如果在计算出的所述不同交通状态的概率中与当前时间段的交通状态相同的交通状态的概率大于特定阈值,则认为该下一时间段特定路程的交通状态与当前时间段的交通状态相同;否则,选择计算出的所述不同交通状态的概率中概率最大的交通状态作为该下一时间段特定路程的交通状态。
时变动态线性模型建立器402包括时变参数建立器407、自调整调节因子建立器408和动态线性模型建立器409。自调整调节因子建立器408建立自调整调节因子,这些自调整调节因子和反映当前时间前的若干时间段特定路程的行驶时间、当前时间前的若干时间段行驶时间估计误差一起构成实体项向量。时变参数建立器407建立时变参数,这些时变参数构成时变参数矩阵向量。时变参数矩阵向量反映实体项向量中各实体项的系数。动态线性模型建立器409建立动态线性模型,使得该下一时间段特定路程的行驶时间为时变参数矩阵向量和实体项向量的函数。
可选地,行驶时间预测器403被配置为根据估计出的交通状态调整时变参数矩阵向量,并将服从正态分布的实体项向量和调整后的时变参数矩阵向量代入贝叶斯预测模型,从而求出该下一时间段特定路程的行驶时间。
可选地,一旦得出该下一时间段特定路程的行驶时间的新观察值,行驶时间预测器403被配置为将其引入贝叶斯预测模型中调整实体项向量的概率分布。
如图5所示,根据本发明一个实施例的路线向导系统5包括上述行驶时间预测装置40。
如图6所示,根据本发明一个实施例的交通状况监控系统6包括上述行驶时间预测装置40。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种行驶时间预测方法,其特征在于包括:
根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态;
建立受交通状态影响的时变动态线性模型,其中用时变参数反映交通流量的动态性质,用自调整调节因子反映交通流量的随机性质;
根据估计出的交通状态调整所述时变动态线性模型中的时变参数,从而预测出所述下一时间段特定路程的行驶时间。
2.根据权利要求1所述的行驶时间预测方法,其特征在于,其中根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态包括:
测量当前的可测量扰动状态;
根据当前的可测量扰动状态,计算与该当前的可测量扰动状态对应的交通状态跃迁概率矩阵,该交通状态跃迁概率矩阵记录着在该当前的可测量扰动状态下从任一交通状态跃迁到任一交通状态的概率;
根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵估计所述下一时间段特定路程的交通状态。
3.根据权利要求2所述的行驶时间预测方法,其特征在于,其中根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵估计所述下一时间段特定路程的交通状态包括:
根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵计算所述下一时间段特定路程的交通处于不同交通状态的概率;
如果在计算出的所述不同交通状态的概率中与当前时间段的交通状态相同的交通状态的概率大于特定阈值,则认为所述下一时间段特定路程的交通状态与当前时间段的交通状态相同;否则,选择计算出的所述不同交通状态的概率中概率最大的交通状态作为所述下一时间段特定路程的交通状态。
4.根据权利要求1所述的行驶时间预测方法,其特征在于,其中
建立受交通状态影响的时变动态线性模型包括:建立时变参数矩阵向量和实体项向量,并使所述下一时间段特定路程的行驶时间为时变参数矩阵向量和实体项向量的函数,其中实体项向量反映当前时间前的若干时间段特定路程的行驶时间、当前时间前的若干时间段行驶时间估计误差、以及自调整调节因子,时变参数矩阵向量反映实体项向量中各实体项的系数,为时变参数;
根据估计出的交通状态调整所述时变动态线性模型中的时变参数从而预测出所述下一时间段特定路程的行驶时间包括:根据估计出的交通状态调整时变参数矩阵向量,并将服从正态分布的实体项向量和调整后的时变参数矩阵向量代入贝叶斯预测模型,从而求出所述下一时间段特定路程的行驶时间。
5.根据权利要求4所述的行驶时间预测方法,其特征在于,其中一旦得出所述下一时间段特定路程的行驶时间的新观察值,将其引入贝叶斯预测模型中调整实体项向量的概率分布。
6.一种行驶时间预测装置,其特征在于包括:
交通状态估计器,被配置为根据历史数据和实时数据估计当前时间的下一时间段特定路程的交通状态;
时变动态线性模型建立器,被配置为建立受交通状态影响的时变动态线性模型,其中用时变参数反映交通流量的动态性质,用自调整调节因子反映交通流量的随机性质;
行驶时间预测器,被配置为根据估计出的交通状态调整所述时变动态线性模型中的时变参数,从而预测出所述下一时间段特定路程的行驶时间。
7.根据权利要求6所述的行驶时间预测装置,其特征在于,其中交通状态估计器包括:
可测量扰动状态测量器,被配置为测量当前的可测量扰动状态;
交通状态跃迁概率矩阵计算器,被配置为根据当前的可测量扰动状态,计算与该当前的可测量扰动状态对应的交通状态跃迁概率矩阵,该交通状态跃迁概率矩阵记录着在该当前的可测量扰动状态下从任一交通状态跃迁到任一交通状态的概率;
交通状态估计单元,被配置为根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵估计所述下一时间段特定路程的交通状态。
8.根据权利要求7所述的行驶时间预测装置,其特征在于,其中交通状态估计单元被配置为:
根据当前时间前一时间段特定路程的交通状态和该交通状态跃迁概率矩阵计算所述下一时间段特定路程的交通处于不同交通状态的概率;
如果在计算出的所述不同交通状态的概率中与当前时间段的交通状态相同的交通状态的概率大于特定阈值,则认为所述下一时间段特定路程的交通状态与当前时间段的交通状态相同;否则,选择计算出的所述不同交通状态的概率中概率最大的交通状态作为所述下一时间段特定路程的交通状态。
9.根据权利要求6所述的行驶时间预测装置,其特征在于,其中时变动态线性模型建立器被配置为建立时变参数矩阵向量和实体项向量,并使所述下一时间段特定路程的行驶时间为时变参数矩阵向量和实体项向量的函数,其中实体项向量反映当前时间前的若干时间段特定路程的行驶时间、当前时间前的若干时间段行驶时间估计误差、以及自调整调节因子,时变参数矩阵向量反映实体项向量中各实体项的系数,为时变参数;行驶时间预测器被配置为根据估计出的交通状态调整时变参数矩阵向量,并将服从正态分布的实体项向量和调整后的时变参数矩阵向量代入贝叶斯预测模型,从而求出所述下一时间段特定路程的行驶时间。
10.根据权利要求9所述的行驶时间预测装置,其特征在于,其中一旦得出所述下一时间段特定路程的行驶时间的新观察值,行驶时间预测器被配置为将其引入贝叶斯预测模型中调整实体项向量的概率分布。
11.一种路线向导系统,其特征在于包括根据权利要求6-10中的任一个的行驶时间预测装置。
12.一种交通状况监控系统,其特征在于包括根据权利要求6-10中的任一个的行驶时间预测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310326841.7A CN104346926B (zh) | 2013-07-31 | 2013-07-31 | 行驶时间预测方法和装置、以及相关终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310326841.7A CN104346926B (zh) | 2013-07-31 | 2013-07-31 | 行驶时间预测方法和装置、以及相关终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104346926A CN104346926A (zh) | 2015-02-11 |
CN104346926B true CN104346926B (zh) | 2017-09-12 |
Family
ID=52502442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310326841.7A Expired - Fee Related CN104346926B (zh) | 2013-07-31 | 2013-07-31 | 行驶时间预测方法和装置、以及相关终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346926B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809879B (zh) * | 2015-05-14 | 2017-05-03 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
CN105551239B (zh) * | 2015-12-08 | 2017-09-29 | 北京云星宇交通科技股份有限公司 | 旅行时间预测方法及装置 |
CN114973677A (zh) | 2016-04-18 | 2022-08-30 | 北京嘀嘀无限科技发展有限公司 | 用于确定预计到达时间的方法和设备 |
CN106297274A (zh) * | 2016-10-09 | 2017-01-04 | 上海五零盛同信息科技有限公司 | 智慧灯杆及城市路况预测方法 |
WO2018232684A1 (en) * | 2017-06-22 | 2018-12-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | METHODS AND SYSTEMS FOR ESTIMATING TIME OF ARRIVAL |
WO2019028763A1 (en) * | 2017-08-10 | 2019-02-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEM AND METHOD FOR ESTIMATING ROUTE TIME AND DISTANCE |
CN107909037B (zh) * | 2017-11-16 | 2021-06-29 | 百度在线网络技术(北京)有限公司 | 信息输出方法和装置 |
CN109147325B (zh) * | 2018-09-04 | 2022-01-28 | 广州视源电子科技股份有限公司 | 路况预测方法及装置、存储介质、处理器 |
CN111341099B (zh) * | 2020-02-27 | 2022-05-10 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE470367B (sv) * | 1992-11-19 | 1994-01-31 | Kjell Olsson | Sätt att prediktera trafikparametrar |
US7149590B2 (en) * | 1996-05-06 | 2006-12-12 | Pavilion Technologies, Inc. | Kiln control and upset recovery using a model predictive control in series with forward chaining |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN102356415A (zh) * | 2009-03-17 | 2012-02-15 | 新科电子(资讯通信系统)私人有限公司 | 使用预测的交通拥塞确定交通路线 |
CN101673463B (zh) * | 2009-09-17 | 2011-12-14 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN102034350B (zh) * | 2009-09-30 | 2012-07-25 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
CN102629418B (zh) * | 2012-04-09 | 2014-10-29 | 浙江工业大学 | 基于模糊卡尔曼滤波的交通流预测方法 |
-
2013
- 2013-07-31 CN CN201310326841.7A patent/CN104346926B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
贺国光 等.车辆线路引导系统的行驶时间预测模型.《中国公路学报》.1998,第11卷(第3期),正文第79-83页. * |
Also Published As
Publication number | Publication date |
---|---|
CN104346926A (zh) | 2015-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346926B (zh) | 行驶时间预测方法和装置、以及相关终端设备 | |
US11715001B2 (en) | Water quality prediction | |
US11157782B2 (en) | Anomaly detection in multidimensional time series data | |
US10896378B2 (en) | Fast detection of energy consumption anomalies in buildings | |
US10747637B2 (en) | Detecting anomalous sensors | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
US20190019082A1 (en) | Cooperative neural network reinforcement learning | |
US10379146B2 (en) | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data | |
CN110278175A (zh) | 图结构模型训练、垃圾账户识别方法、装置以及设备 | |
CN106709588B (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
JP2006221310A (ja) | 予測方法、予測装置、予測プログラムおよび記録媒体 | |
US11195132B2 (en) | System, method and computer program product for characterizing object status and determining a maintenance schedule | |
CN109426912B (zh) | 风控系统优化方法、系统、装置以及电子设备 | |
WO2022142574A1 (zh) | 流量预测模型的训练方法、装置和电子设备 | |
CN110322300A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
US10733537B2 (en) | Ensemble based labeling | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
WO2021130298A1 (en) | System, apparatus and method for managing energy consumption at a technical installation | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN116311893A (zh) | 一种交通拥堵时间预测方法、装置、电子设备及存储介质 | |
US20230281506A1 (en) | Learning device, learning method, and learning program | |
US20230186099A1 (en) | Learning device, learning method, and learning program | |
JP2022095895A (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
CN113806585A (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170912 Termination date: 20200731 |